CN114004834B - 一种图像处理中的雾天情况分析方法、设备及装置 - Google Patents
一种图像处理中的雾天情况分析方法、设备及装置 Download PDFInfo
- Publication number
- CN114004834B CN114004834B CN202111647113.7A CN202111647113A CN114004834B CN 114004834 B CN114004834 B CN 114004834B CN 202111647113 A CN202111647113 A CN 202111647113A CN 114004834 B CN114004834 B CN 114004834B
- Authority
- CN
- China
- Prior art keywords
- fog
- image
- detected
- effective sub
- gradient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 239000003595 mist Substances 0.000 claims description 5
- 238000001514 detection method Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本说明书实施例涉及图像处理技术领域,公开了一种图像处理中的雾天情况分析方法、设备及装置,方法包括:将待检测雾天图像转换为雾天灰度图;根据雾天灰度图计算待检测雾天图像的平均亮度;获取待检测雾天图像的梯度图进行羽化处理,得到羽化梯度图,并根据羽化梯度图计算待检测雾天图像的羽化梯度;根据平均亮度和羽化梯度,将待检测雾天图像分为天空区域和非天空区域;在天空区域和非天空区域的交界区域内,将待检测雾天图像划分为多个子块区域,在多个子块区域中确定出符合要求的多个有效子块区域;根据每个有效子块区域的平均亮度、每个有效子块区域的平均亮度方差以及每个有效子块区域的暗通道均值,确定出待检测雾天图像的雾天等级。
Description
技术领域
本说明书涉及图像处理技术领域,尤其涉及一种图像处理中的雾天情况分析方法、设备及装置。
背景技术
雾会造成能见度降低,能见度反映了大气的透明度,能见度也称气象光学视程,是指视力正常人,能够从背景上分辨出大小适度的黑色目标物的最大水平距离。在雾天环境下对输电线路进行监控时,由于不同的雾天等级对应不同的能见度,影响可见光成像设备获取图像的过程,导致无法通过采集到的图像进行后续的监控或预测,对雾天进行检测可以为摄像头是否开启透雾功能提供参考。
现有技术中大都通过对待检测图像的所有区域对应各类参数进行计算得到对雾的预测,但是由于待检测图像的所有区域中,存在部分高亮区域对雾的检测结果有较大影响,导致检测结果不准确。
发明内容
本说明书一个或多个实施例提供了一种图像处理中的雾天情况分析方法、设备及装置,用于解决如下技术问题:通过对待检测图像的所有区域对应各类参数进行计算得到对雾的预测,存在部分高亮区域对雾的检测结果有较大影响,导致检测结果不准确。
本说明书一个或多个实施例采用下述技术方案:
本说明书一个或多个实施例提供一种图像处理中的雾天情况分析方法,所述方法包括:获取待检测雾天图像,将所述待检测雾天图像转换为雾天灰度图;根据所述雾天灰度图计算所述待检测雾天图像的平均亮度;获取所述待检测雾天图像的梯度图,对所述梯度图进行羽化处理,得到羽化梯度图,并根据所述羽化梯度图计算所述待检测雾天图像的羽化梯度;根据所述待检测雾天图像的所述平均亮度和所述羽化梯度,将所述待检测雾天图像分为天空区域和非天空区域;在所述天空区域和所述非天空区域的交界区域内,将所述待检测雾天图像划分为多个子块区域,在所述多个子块区域中确定出符合要求的多个有效子块区域;获取每个有效子块区域的平均亮度、每个有效子块区域的平均亮度方差以及每个有效子块区域的暗通道均值,根据所述每个有效子块区域的平均亮度、所述每个有效子块区域的平均亮度方差以及所述每个有效子块区域的暗通道均值,确定出所述待检测雾天图像的雾天等级。
本说明书一个或多个实施例提供一种图像处理中的雾天情况分析设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述方法。
本说明书一个或多个实施例提供的一种图像处理中的雾天情况分析装置,所述装置包括:转换模块,用于获取待检测雾天图像,将所述待检测雾天图像转换为雾天灰度图;计算模块,用于根据所述雾天灰度图计算所述待检测雾天图像的平均亮度;获取所述待检测雾天图像的梯度图,对所述梯度图进行羽化处理,得到羽化梯度图,并根据所述羽化梯度图计算所述待检测雾天图像的羽化梯度;划分模块,用于根据所述平均亮度和所述羽化梯度,将所述待检测雾天图像分为天空区域和非天空区域;在所述天空区域和所述非天空区域的交界区域内,将所述待检测雾天图像划分为多个子块区域,确定模块,用于在所述多个子块区域中确定出符合要求的多个有效子块区域;获取每个有效子块区域的平均亮度、每个有效子块区域的平均亮度方差以及每个有效子块区域的暗通道均值,根据所述每个有效子块区域的平均亮度、所述每个有效子块区域的平均亮度方差以及所述每个有效子块区域的暗通道均值,确定出所述待检测雾天图像的雾天等级。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:通过对待检测雾天图像进行处理,排除雾天图像中高亮区域等因素对于检测结果的影响。得到多个有效子块区域,通过对有效子块区域的计算得到对待检测雾天图像中雾等级的结果,提高了雾天等级检测的准确性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本说明书实施例提供的一种图像处理中的雾天情况分析方法的流程示意图;
图2为本说明书实施例提供的一种子块区域分布示意图;
图3为本说明书实施例提供的另一种图像处理中的雾天情况分析方法的流程示意图;
图4为本说明书实施例提供的一种图像处理中的雾天情况分析设备的结构示意图;
图5为本说明书实施例提供的一种图像处理中的雾天情况分析装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
雾会造成能见度降低,能见度反映了大气的透明度,能见度也称气象光学视程,是指视力正常人,能够从背景上分辨出大小适度的黑色目标物的最大水平距离。在雾天环境下对输电线路进行监控时,由于不同的雾天等级对应不同的能见度,影响可见光成像设备获取图像的过程,导致无法通过采集到的图像进行后续的监控或预测,对雾天进行检测可以为摄像头是否开启透雾功能提供参考。
现有技术中大都通过对待检测图像的所有区域对应各类参数进行计算得到对雾的预测,但是由于待检测图像的所有区域中,存在部分高亮区域对雾的检测结果有较大影响,导致检测结果不准确。
本说明书实施例提供一种图像处理中的雾天情况分析方法,需要说明的是,本说明书书实施例中的执行主体可以是服务器,也可以是任意一种具备数据处理能力的设备。图1为本说明书实施例提供的一种图像处理中的雾天情况分析方法,如图1所示,主要包括如下步骤:
步骤S101,获取待检测雾天图像,将待检测雾天图像转换为雾天灰度图,根据雾天灰度图计算待检测雾天图像的平均亮度。
在本说明书的一个实施例中,通过可见光成像设备获取待检测雾天图像,也可以是照相机或摄像机。待检测雾天图像可以是在雾天时采集到的输电线路的监控图像,也可以是在雾天时采集到的环境图像。
将待检测雾天图像转换为雾天灰度图,获取雾天灰度图中每个像素点的灰度值,将每个像素点的灰度值作为该像素点的亮度值,得到雾天灰度图中所有像素点的亮度值,根据所有像素点的亮度值计算亮度的平均值,得到雾天检测图像的平均亮度。
步骤S102,获取待检测雾天图像的梯度图,对梯度图进行羽化处理,得到羽化梯度图,并根据羽化梯度图计算待检测雾天图像的羽化梯度。
不同天气条件下的图像会有不同程度的模糊。晴天条件下,图像更清晰,而在雾天时,尤其是当雾霾覆盖了相机等视频采集设备,图像总是更加模糊,并且图像像素值更加平坦。梯度是一个测量锐化度的工具。一般情况下,梯度越大,天气状况为晴天的可能性越大。通常通过如下公式计算梯度幅值并形成梯度振幅的直方图:
在本说明书的一个实施例中,获取待检测雾天图像的梯度图通过如下步骤得到:首先计算待检测图像的横向一阶导数得到横向梯度,计算待检测图像的纵向一阶导数得到纵向梯度,根据横向一阶导数和纵向一阶导数得到初始梯度图;需要说明的是,梯度模板可以sobel算子,也可以是prewitt算子,还可以是其他的梯度模板,本说明书实施例在此不作具体限定。之后,根据横向梯度与纵向梯度之和确定出待检测雾天图像的梯度图。需要说明的是,可以把图像看成二维离散函数,图像梯度就是对二维离散函数的求导。
在本说明书的一个实施例中,对待检测雾天图像的梯度图进行羽化处理,得到羽化后的羽化梯度图,通过对梯度图进行羽化处理,将待检测雾天图像中内外衔接部分虚化,起到渐变的作用从而达到自然衔接的效果,以便于平滑后续步骤中的天空区域和非天空区域的交接位置。根据羽化梯度图计算待检测雾天图像的羽化梯度,具体的计算过程在此不作具体限定。
步骤S103,根据待检测雾天图像的平均亮度和羽化梯度,将待检测雾天图像分为天空区域和非天空区域。
暗通道的原理通常不适用于亮度较高的低频区域,依赖暗通道先验知识的算法在天空、湖面等区域的表现经常很差。
具体地,根据待检测雾天图像的平均亮度和羽化梯度,将待检测雾天图像分为天空区域和非天空区域,具体包括:根据待检测雾天图像的平均亮度确定亮度阈值,并根据待检测雾天图像的羽化梯度确定梯度阈值,计算待检测雾天图像中每个像素点的像素点亮度和像素点羽化梯度,根据待检测雾天图像中每个像素点的像素点亮度和像素点羽化梯度,将待检测雾天图像中的所有像素点分为第一类像素点和第二类像素点,其中,第一类像素点中每个像素点的像素点亮度高于亮度阈值,且第一类像素点中每个像素点的像素点羽化梯度低于预设梯度阈值,第二类像素点中每个像素点的像素点亮度低于预设亮度阈值,且第二类像素点中每个像素点的像素点羽化梯度高于预设梯度阈值;将第一类像素点所在区域作为天空区域,将第二类像素点所在区域作为非天空区域。
在本说明书的一个实施例中,根据待检测雾天图像的平均亮度确定亮度阈值,可以将平均亮度的1.1倍对应的数值作为亮度阈值,也可以将平均亮度作为亮度阈值。根据待检测雾天图像的羽化梯度确定梯度阈值,此处的梯度阈值可以是平均羽化梯度值,也可以是通过其他计算得到的羽化梯度值。
计算待检测雾天图像中每个像素点的像素点亮度和像素点羽化梯度,判断每个像素点的像素点亮度与亮度阈值之间的关系,以及像素点羽化梯度与梯度阈值之间的关系。将像素点亮度高于亮度阈值,且像素点羽化梯度低于梯度阈值的像素点作为高亮低频像素点,也就是第一类像素点,将像素点亮度低于亮度阈值,且像素点羽化梯度高于梯度阈值的像素点作为低亮高频像素点,也就是第二类像素点。根据多个高亮低频像素点和多个低亮高频像素点的位置分布,将多个高亮低频像素点组成的区域作为天空区域,将多个低亮高频像素点组成的区域作为非天空区域。
在本说明书的一个实施例中,可以将天空区域在待检测雾天图像中进行剔除,将非天空区域作为特征统计的有效像素区域,也可以保留天空区域,只对非天空区域进行后续处理。
步骤S104,在天空区域和非天空区域的交界区域内,将待检测雾天图像划分为多个子块区域,在多个子块区域中确定出符合要求的多个有效子块区域。
在本说明书的一个实施例中,根据天空区域和非天空区域的划分,确定出天空区域和非天空区域的交界区域。将待检测雾天图像划分为多个子块区域,确定出位于交界区域的多个子块区域。图2为本说明书实施例提供的一种子块区域分布示意图,如图2所示,可以将待检测的雾天图像等分为6*6个子块区域,经过天空区域分割之后,将雾天图像分为了天空区域和天空区域,天空区域和非天空的交界区域处的子块区域为多个阴影区域,在多个阴影区域中确定出多个有效区域,需要说明的是,此处的多个有效子块区域可以代表整幅图像的雾水平。需要说明的是,也可以将待检测的雾天图像等分为多个子块区域,在待检测的雾天图像对应的所有子块区域中确定出多个有效子块区域。
具体地,在多个阴影区域中确定出多个有效区域,具体包括:将第一类像素点中每个像素点的像素点标识设置为0,将第二类像素点中每个像素点的像素点标识设置为255;计算每个子块区域内所有像素点的像素点标识的平均值;若指定子块区域内所有像素点的像素点标识的平均值不小于预设阈值,则指定子块区域为粗选子块区域;在子块区域内,筛选出多个粗选子块区域;计算每个粗选子块区域内的区域梯度水平,将多个粗选子块区域按照区域梯度水平的大小进行排序,选取区域水平排序中处于中间位置的多个粗选子块区域作为多个符合要求的有效子块区域。
为了保证筛选出的有效子块区域为具有典型特征,并且可以代表待检测雾天图像,在本说明书的一个实施例中,经过两次筛选,首先是对多个子块区域进行粗选,得到多个粗选子块区域。之后,在多个粗选子块区域中进行精选,选择出多个有效子块。
在本说明书的一个实施例中,将第一类像素点中每个像素点的像素点标识设置为0,将第二类像素点中每个像素点的像素点标识设置为255,也就是说,将子块区域内属于天空区域的像素点的像素点标识设置为0,将子块区域内属于非天空区域的像素点的像素点标识设置为255。计算每个子块区域内所有像素点的像素点标识的平均值,判断子块区域内所有像素点的像素点标识的平均值与预先设定的粗选阈值之间的大小关系,需要说明的是,粗选阈值可以根据经验设置,也可以根据用户需求设置,例如可以设置为128或者196,128更重视天空边缘区域,196更重视边缘以外的区域,本说明书在此不作具体限定。
若子块区域内所有像素点的像素点标识的平均值大于或等于预先设定的粗选阈值,则将该子块区域作为粗选有效子块,若子块区域内所有像素点的像素点标识的平均值小于预先设定的粗选阈值,则将该子块区域作为无效子块。在所有子块区域内进行遍历,得到多个粗选有效子块,需要说明的是,此处得到的粗选有效子块的数量不少于3个。
在得到多个粗选有效子块区域之后,在多个粗选有效区域中进行精选,用于清洗掉路面、墙壁等亮度较低且不适用暗通道理论的区域,得到多个有效子块区域。对每个粗选有效子块区域进行梯度统计,使用羽化后的像素点标识数值作为权重,对粗选有效子块内各个像素点的梯度值做加权统计,得到各个粗选有效子块区域的绝对梯度水平。需要说明的是,绝对梯度水平代表了当前有效区域的清晰度水平,梯度较低区域代表平坦的图像子块,例如路面,墙面;梯度较高区域则代表细节丰富的图像子块,例如丛立的楼宇或者草地花丛;考虑到图像的景深影响,距离越近的区域受到雾的影响越小,图像细节清晰,不能代表全局的雾强度,因此绝对梯度水平数值极高的子块也不具备雾强度估算的条件。在计算得到粗选有效子块的绝对梯度水平后,对梯度水平进行排序,选取梯度水平居中子块作为精选有效子块,另外得到的精选有效子块的数量应占粗选有效子块数量的三分之一以上。若粗选有效子块的数量不是3的整数倍,精选有效子块的数量根据如下公式计算:
其中,N_EFF为精选有效子块的数量,N为粗选有效子块的数量。
通过上述技术方案,筛选出可以代表整辐雾天图像雾天特征的子块区域,避免了雾天图像中天空区域等区域影响雾天等级的检测准确性。
步骤S105,获取每个有效子块区域的平均亮度、每个有效子块区域的平均亮度方差以及每个有效子块区域的暗通道均值,根据每个有效子块区域的平均亮度、每个有效子块区域的平均亮度方差以及每个有效子块区域的暗通道均值,确定出待检测雾天图像的雾天等级。
在本说明书的一个实施例中,根据雾天灰度图中每个像素点的灰度值,将灰度值作为该像素点的亮度值,计算每个有效子块区域内所有像素点的平均亮度,并计算每个有效子块区域内所有像素点的平均亮度方差。将待检测雾天图像转换为对应的暗原色图,根据暗原色图,计算每个有效子块区域内的暗通道均值。
具体地,将待检测雾天图像转换为对应的暗原色图,根据暗原色图,计算每个有效子块区域内的暗通道均值,具体包括:分别计算待检测雾天图像中的每个像素点对应的三通道亮度值,并将三通道亮度值中最小的亮度值作为每个像素点的初始亮度值,获取初始暗原色图;将暗原色图中,每个像素点指定半径范围内的初始亮度最小值作为像素点的亮度值,获取暗原色图;根据暗原色图,计算每个有效子块区域内的暗通道均值。
在本说明书的一个实施例中,对于待检测图像中每个像素点,计算每个像素点在三通道下对应的亮度值,将三通道亮度值中最小的亮度值作为每个像素点的初始亮度值,得到初始暗原色图;遍历初始暗原色图的每个像素点,确定该像素点设定半径范围内的亮度最小值为该像素点的亮度,得到暗原色图。根据每个有效子块区域在暗原色图中的位置,得到每个有效子块区域内的所有像素点分别对应的暗通道值,计算每个有效子块区域内的暗通道均值。
在得到每个有效子块区域的平均亮度、每个有效子块区域的平均亮度方差以及每个有效子块区域的暗通道均值,之后,根据上述参量,得到每个有效子块区域对应的雾天指数,以便根据每个有效子块区域对应的雾天指数确定出待检测雾天图像的雾天指数。
在本说明书的一个实施例中,统计所有有效子块区域的亮度均和亮度平均方差,并设定多个雾天等级阈值,以三个等级为例,Thr_1,Thr_2,且满足0 < Thr_1 < Thr_2 <255。计算单个精选有效子块的平均亮度、亮度方差以及暗通道均值,通过如下公式计算每个有效子块区域对应的雾天指数Fi:
其中,Y-EFF为所有有效子块区域内的平均亮度,S-EFF为所有有效子块区域内的平均亮度方差,Y-i为每个有效子块区域内的平均亮度,S-i为每个有效子块区域内的平均亮度方差,DC-i为每个有效子块区域内的暗通道均值。根据雾天指数与雾天等级阈值划分当前有效子块区域的雾天等级,Fi < Thr_1等级为0,表示无雾,Thr_1 < Fi < Thr_2等级为1,表示薄雾,Thr_2 < Fi等级为2,表示浓雾。
在本说明书的一个实施例中,根据每个有效子块区域对应的雾天指数确定出待检测雾天图像的雾天指数。计算每个有效子块区域内的区域梯度水平,将多个有效子块区域按照区域梯度水平的大小进行排序。按照预设规则,为每个有效子块区域的雾天指数设置权重,对所有有效子块区域的雾天指数进行加权计算,得到待检测雾天图像的雾天指数。例如,将多个有效子块区域按照区域梯度水平的大小进行排序,依次为子块区域1、子块区域2以及子块区域3。将处于中间位置的子块区域2对应的雾天指数设置权重为1,子块区域1和子块区域3为边缘位置,为子块区域1和子块区域3设置权重为0.8,根据设置的权重对每个子块区域的雾天指数进行加权计算,得到待检测雾天图像的雾天指数,也可以通过等间隔插值的方式分配各位置权重。根据待检测雾天图像的雾天指数,确定出待检测雾天图像的雾天等级。
在本说明书的一个实施例中,当待检测雾天图像的雾天指数不大于0.5时,检测雾天图像的雾天等级为无雾等级;当待检测雾天图像的雾天指数大于0.5且小于1.5时,检测雾天图像的雾天等级为薄雾等级;当待检测雾天图像的雾天指数大于等于1.5时,检测雾天图像的雾天等级为浓雾等级。
图3为本说明书实施例提供的另一种图像处理中的雾天情况分析方法的流程示意图,如图3所示,该方法主要包括:获取暗原色和梯度图、天空分割、有效子块筛选、子块雾天等级计算及雾天等级计算。
第一步,获取暗原色和梯度图。
对于待检测图像中每个像素点,根据三原色的亮度最小值,得到初始暗原色图,遍历初始暗原色图的每个像素点,确定该像素点设定半径范围内的亮度最小值为该像素点的亮度,得到暗原色图。通过计算待检测图像的横向一阶导数和纵向一阶导数,得到初始梯度图,梯度模板可以但不限于sobel、prewitt等算子。为了简化计算,最终梯度图由横向与纵向梯度之和确定,代替原有的平方和方式,公式如下所示:
第三步,天空分割。
由于暗通道的原理通常不适用于亮度较高的低频区域,依赖暗通道先验知识的算法在天空、湖面等区域的表现经常很差。本说明书实施例中的雾天检测将忽略暗通道的劣势区域,着重关注细节突出且暗通道理论成立的区域,因此天空区域采用天空分割的方式剔除。计算图像的灰度图亮度,并灰度图的全局平均亮度Y_Ave,根据计算得到的梯度图,对梯度图进行羽化处理,得到羽化梯度图。需要说明的是,在雾天检测中可以对图像进行适当的缩放处理,因为雾天特征的提取不需要依赖每一个精确的像素,缩放后的数据同样适用,同时能够节省运算复杂度,在梯度提取时更有利于过滤噪声干扰和浓缩梯度信息。根据预先设定的亮度阈值和梯度阈值,对于灰度图中,亮度高于亮度阈值且羽化梯度低于梯度阈值的像素,设置mask数值为0,视为高亮低频区域,即天空区域,不参与后续的特征统计;其余位置像素mask数值为255,视为有效像素即非天空区域。对mask再次进行羽化处理,用于平滑过度天空与非天空交接位置,因为分割无法精确到像素分割出天空位置,且天空与地面的交接在图像上表现也无法精确到像素,因此过度区域在后续统计中能更平缓的综合这两个区域的影响。
第三步,有效子块筛选。
在此步骤中包括粗选和精选两部分。将整幅图像等分成6x6个子块,并统计各个子块中所有像素点对应mask值的均值,设定粗选阈值,均值大于或者等于粗选阈值,则视为粗选有效子块,小于阈值则视为无效子块,得到N个粗选有效子块,其中N为不小3的整数。粗选阈值可以选择128或者196。128阈值更重视天空边缘区域,196则更重视边缘以外的区域,此文档以适用128作为阈值。当粗选阈值筛选的粗选有效子块数量N<3时,通过循环降低粗选阈值的方式保证N>=3。
其次是进行精确筛选,用于清洗掉路面、墙壁等亮度较低且不适用暗通道理论的区域。具体方式是对各个子块进行梯度统计,使用羽化后的mask数值作为权重对粗选有效子块内梯度图做加权统计,得到各个粗选有效子块的绝对梯度水平,绝对梯度水平代表了当前有效区域的清晰度水平,梯度较低区域代表平坦的图像子块,例如路面,墙面。梯度较高区域则代表细节丰富的图像子块,例如丛立的楼宇或者草地花丛。考虑到图像的景深影响,距离越近的区域受到雾的影响越小,图像细节清晰,不能代表全局的雾强度,因此绝对梯度水平数值极高的子块也不具备雾强度估算的条件。在计算得到粗选有效子块的绝对梯度水平后,对梯度水平进行排序,选取梯度水平居中且N_EFF >= N /3的子块作为精选有效子块。精选有效子块的数量的计算公式如下所示:
其中,N_EFF为精选有效子块的数量,N为粗选有效子块的数量。
第四步,子块雾天等级计算。
首先,统计所有精选有效子块的亮度均值Y_Ave_Eff和亮度方差S_Ave_Eff,并设定多个雾天等级阈值,以三个等级为例,Thr_1,Thr_2,且满足0 < Thr_1 < Thr_2 < 255。计算精选有效子块的平均亮度Y_Ave_i,亮度方差S_Ave_i,暗通道均值DC_Ave_i等数值,通过如下公式计算每个有效子块区域对应的雾天指数Fi:
根据雾天指数与雾天等级阈值划分当前精选有效子块的雾天等级,Fi < Thr_1等级为0,无雾,Thr_1 < F1 < Thr_2等级为1,薄雾,Thr_2 < Fi等级为2,浓雾。
第五步,雾天等级计算。
根据各精选有效子块的排列顺序,将各等级分配到对应位置,最中心位置分配权重1,边缘位置分配权重0.8,并使用等间隔插值的方式分配各位置权重,对各精选有效子块的等级进行加权计算,得到最终的雾天等级F,F<=0.5为无雾,0.5<F< 1.5为薄雾,F>= 1.5为浓雾。
在上述技术方案中,通过对待检测雾天图像进行处理,排除雾天图像中高亮区域等因素对于检测结果的影响。得到多个有效子块区域,通过对有效子块区域的计算得到对待检测雾天图像中雾等级的结果,提高了雾天等级检测的准确性。
本说明书实施例还提供一种图像处理中的雾天情况分析设备,如图4所示,设备包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述方法。
本说明书实施例还提供一种图像处理中的雾天情况分析装置,如图5所示,装置包括:转换模块51,用于获取待检测雾天图像,将所述待检测雾天图像转换为雾天灰度图;计算模块52,用于根据所述雾天灰度图计算所述待检测雾天图像的平均亮度;获取所述待检测雾天图像的梯度图,对所述梯度图进行羽化处理,得到羽化梯度图,并根据所述羽化梯度图计算所述待检测雾天图像的羽化梯度;划分模块53,用于根据所述平均亮度和所述羽化梯度,将所述待检测雾天图像分为天空区域和非天空区域;在所述天空区域和所述非天空区域的交界区域内,将所述待检测雾天图像划分为多个子块区域,确定模块54,用于在所述多个子块区域中确定出符合要求的多个有效子块区域;获取每个有效子块区域的平均亮度、每个有效子块区域的平均亮度方差以及每个有效子块区域的暗通道均值,根据所述每个有效子块区域的平均亮度、所述每个有效子块区域的平均亮度方差以及所述每个有效子块区域的暗通道均值,确定出所述待检测雾天图像的雾天等级。
在本说明书的一个实施例中,划分模块53还用于计算所述待检测雾天图像中每个像素点的像素点亮度和像素点羽化梯度;根据所述每个像素点的像素点亮度和像素点羽化梯度,将所述待检测雾天图像中的所有像素点分为第一类像素点和第二类像素点,其中,所述第一类像素点中每个像素点的所述像素点亮度高于预设亮度阈值,且所述第一类像素点中每个像素点的像素点羽化梯度低于预设梯度阈值,所述第二类像素点中每个像素点的所述像素点亮度低于所述预设亮度阈值,且所述第二类像素点中每个像素点的像素点羽化梯度高于所述预设梯度阈值;将所述第一类像素点所在区域作为天空区域,将所述第二类像素点所在区域作为非天空区域。
在本说明书的一个实施例中,确定模块54还用于将所述第一类像素点中每个像素点的像素点标识设置为0,将所述第二类像素点中每个像素点的像素点标识设置为255;计算每个子块区域内所有像素点的像素点标识的平均值;若指定子块区域内所有像素点的像素点标识的平均值不小于预设阈值,则所述指定子块区域为粗选子块区域;在所述子块区域内,筛选出多个粗选子块区域;计算每个粗选子块区域内的区域梯度水平,将多个粗选子块区域按照所述区域梯度水平的大小进行排序,选取所述区域水平排序中处于中间位置的多个粗选子块区域作为所述多个符合要求的有效子块区域。
在本说明书的一个实施例中,确定模块54还用于根据所述雾天灰度图中每个像素点的亮度值,计算所述每个有效子块区域内所有像素点的平均亮度和所述每个有效子块区域内所有像素点的平均亮度方差;将所述待检测雾天图像转换为对应的暗原色图,根据所述暗原色图,计算所述每个有效子块区域内的暗通道均值。
在本说明书的一个实施例中,计算模块52还用于分别计算所述待检测雾天图像中的每个像素点对应的三通道亮度值,并将三通道亮度值中最小的亮度值作为每个像素点的初始亮度值,获取初始暗原色图;将所述暗原色图中,每个像素点指定半径范围内的初始亮度最小值作为所述像素点的亮度值,作为暗原色图;根据所述暗原色图,计算所述每个有效子块区域内的暗通道均值。
在本说明书的一个实施例中,计算模块52还用于计算所有有效子块区域内的平均亮度Y-EFF和平均亮度方差S-EFF,并确定出所述每个有效子块区域内的平均亮度Y-i、平均亮度方差S-i以及暗通道均值DC-i,通过如下公式计算所述每个有效子块区域对应的雾天指数Fi:
根据所述每个有效子块区域对应的雾天指数,确定出所述待检测雾天图像的雾天等级。
在本说明书的一个实施例中,确定模块54还用于计算所述每个有效子块区域内的区域梯度水平,将多个有效子块区域按照所述区域梯度水平的大小进行排序;按照预设规则,为所述每个有效子块区域的雾天指数设置权重,对所述多个有效子块区域进行加权计算,得到所述待检测雾天图像的雾天指数,根据所述待检测雾天图像的雾天指数,确定出所述待检测雾天图像的雾天等级。
在本说明书的一个实施例中,确定模块54还用于,当所述待检测雾天图像的雾天指数不大于0.5时,所述检测雾天图像的雾天等级为无雾等级;当所述待检测雾天图像的雾天指数大于0.5且小于1.5时,所述检测雾天图像的雾天等级为薄雾等级;当所述待检测雾天图像的雾天指数大于等于1.5时,所述检测雾天图像的雾天等级为浓雾等级。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (9)
1.一种图像处理中的雾天情况分析方法,其特征在于,所述方法包括:
获取待检测雾天图像,将所述待检测雾天图像转换为雾天灰度图;
根据所述雾天灰度图计算所述待检测雾天图像的平均亮度;
获取所述待检测雾天图像的梯度图,对所述梯度图进行羽化处理,得到羽化梯度图,并根据所述羽化梯度图计算所述待检测雾天图像的羽化梯度;
根据所述待检测雾天图像的平均亮度和所述羽化梯度,将所述待检测雾天图像分为天空区域和非天空区域;
在所述天空区域和所述非天空区域的交界区域内,将所述待检测雾天图像划分为多个子块区域,在所述多个子块区域中确定出符合要求的多个有效子块区域;
获取每个有效子块区域的平均亮度、每个有效子块区域的平均亮度方差以及每个有效子块区域的暗通道均值,根据所述每个有效子块区域的平均亮度、所述每个有效子块区域的平均亮度方差以及所述每个有效子块区域的暗通道均值,确定出所述待检测雾天图像的雾天等级;
根据所述每个有效子块区域的平均亮度、所述每个有效子块区域的平均亮度方差以及所述每个有效子块区域的暗通道均值,确定出所述待检测雾天图像的雾天等级,具体包括:
根据所述每个有效子块区域对应的雾天指数,确定出所述待检测雾天图像的雾天等级。
2.根据权利要求1所述的一种图像处理中的雾天情况分析方法,其特征在于,所述根据所述平均亮度和所述羽化梯度,将所述待检测雾天图像分为天空区域和非天空区域,具体包括:
计算所述待检测雾天图像中每个像素点的像素点亮度和像素点羽化梯度;
根据所述每个像素点的像素点亮度和像素点羽化梯度,将所述待检测雾天图像中的所有像素点分为第一类像素点和第二类像素点,其中,所述第一类像素点中每个像素点的所述像素点亮度高于预设亮度阈值,且所述第一类像素点中每个像素点的像素点羽化梯度低于预设梯度阈值,所述第二类像素点中每个像素点的所述像素点亮度低于所述预设亮度阈值,且所述第二类像素点中每个像素点的像素点羽化梯度高于所述预设梯度阈值;
将所述第一类像素点所在区域作为天空区域,将所述第二类像素点所在区域作为非天空区域。
3.根据权利要求2所述的一种图像处理中的雾天情况分析方法,其特征在于,所述在所述多个子块区域中确定出符合要求的多个有效子块区域,具体包括:
将所述第一类像素点中每个像素点的像素点标识设置为0,将所述第二类像素点中每个像素点的像素点标识设置为255;
计算每个子块区域内所有像素点的像素点标识的平均值;
若指定子块区域内所有像素点的像素点标识的平均值不小于预设阈值,则所述指定子块区域为粗选子块区域;
在所述子块区域内,筛选出多个粗选子块区域;
计算每个粗选子块区域内的区域梯度水平,将多个粗选子块区域按照所述区域梯度水平的大小进行排序,选取所述区域水平排序中处于中间位置的多个粗选子块区域作为多个符合要求的有效子块区域。
4.根据权利要求1所述的一种图像处理中的雾天情况分析方法,其特征在于,所述获取每个有效子块区域的平均亮度、每个有效子块区域的平均亮度方差以及每个有效子块区域的暗通道均值,具体包括:
根据所述雾天灰度图中每个像素点的亮度值,计算所述每个有效子块区域内所有像素点的平均亮度和所述每个有效子块区域内所有像素点的平均亮度方差;
将所述待检测雾天图像转换为对应的暗原色图,根据所述暗原色图,计算所述每个有效子块区域内的暗通道均值。
5.根据权利要求4所述的一种图像处理中的雾天情况分析方法,其特征在于,所述将所述待检测雾天图像转换为对应的暗原色图,根据所述暗原色图,计算所述每个有效子块区域内的暗通道均值,具体包括:
分别计算所述待检测雾天图像中的每个像素点对应的三通道亮度值,并将三通道亮度值中最小的亮度值作为每个像素点的初始亮度值,获取初始暗原色图;
将所述暗原色图中,每个像素点指定半径范围内的初始亮度最小值作为所述像素点的亮度值,作为暗原色图;
根据所述暗原色图,计算所述每个有效子块区域内的暗通道均值。
6.根据权利要求1所述的一种图像处理中的雾天情况分析方法,其特征在于,所述根据所述每个有效子块区域对应的雾天指数,确定出所述待检测雾天图像的雾天等级,具体包括:
计算所述每个有效子块区域内的区域梯度水平,将多个有效子块区域按照所述区域梯度水平的大小进行排序;
按照预设规则,为所述每个有效子块区域的雾天指数设置权重,对所述多个有效子块区域进行加权计算,得到所述待检测雾天图像的雾天指数,
根据所述待检测雾天图像的雾天指数,确定出所述待检测雾天图像的雾天等级。
7.根据权利要求6所述的一种图像处理中的雾天情况分析方法,其特征在于,所述根据所述待检测雾天图像的雾天指数,确定出所述待检测雾天图像的雾天等级,具体包括:
当所述待检测雾天图像的雾天指数不大于0.5时,所述检测雾天图像的雾天等级为无雾等级;
当所述待检测雾天图像的雾天指数大于0.5且小于1.5时,所述检测雾天图像的雾天等级为薄雾等级;
当所述待检测雾天图像的雾天指数大于等于1.5时,所述检测雾天图像的雾天等级为浓雾等级。
8.一种图像处理中的雾天情况分析设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
9.一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机能执行指令设置为:
获取待检测雾天图像,将所述待检测雾天图像转换为雾天灰度图;
根据所述雾天灰度图计算所述待检测雾天图像的平均亮度;
获取所述待检测雾天图像的梯度图,对所述梯度图进行羽化处理,得到羽化梯度图,并根据所述羽化梯度图计算所述待检测雾天图像的羽化梯度;
根据所述平均亮度和所述羽化梯度,将所述待检测雾天图像分为天空区域和非天空区域;
在所述天空区域和所述非天空区域的交界区域内,将所述待检测雾天图像划分为多个子块区域,在所述多个子块区域中确定出符合要求的多个有效子块区域;
获取每个有效子块区域的平均亮度、每个有效子块区域的平均亮度方差以及每个有效子块区域的暗通道均值,根据所述每个有效子块区域的平均亮度、所述每个有效子块区域的平均亮度方差以及所述每个有效子块区域的暗通道均值,确定出所述待检测雾天图像的雾天等级;
根据所述每个有效子块区域的平均亮度、所述每个有效子块区域的平均亮度方差以及所述每个有效子块区域的暗通道均值,确定出所述待检测雾天图像的雾天等级,具体包括:
根据所述每个有效子块区域对应的雾天指数,确定出所述待检测雾天图像的雾天等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111647113.7A CN114004834B (zh) | 2021-12-31 | 2021-12-31 | 一种图像处理中的雾天情况分析方法、设备及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111647113.7A CN114004834B (zh) | 2021-12-31 | 2021-12-31 | 一种图像处理中的雾天情况分析方法、设备及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114004834A CN114004834A (zh) | 2022-02-01 |
CN114004834B true CN114004834B (zh) | 2022-04-19 |
Family
ID=79932277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111647113.7A Active CN114004834B (zh) | 2021-12-31 | 2021-12-31 | 一种图像处理中的雾天情况分析方法、设备及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004834B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096118B (zh) * | 2021-04-30 | 2022-09-13 | 上海众壹云计算科技有限公司 | 晶圆表面粗糙度测量的方法、系统、电子设备和存储介质 |
CN114155173A (zh) * | 2022-02-10 | 2022-03-08 | 山东信通电子股份有限公司 | 一种图像去雾方法、设备及非易失性存储介质 |
CN115439494B (zh) * | 2022-11-08 | 2023-01-31 | 山东大拇指喷雾设备有限公司 | 用于喷雾机质检的喷雾图像处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403421A (zh) * | 2017-08-10 | 2017-11-28 | 杭州联吉技术有限公司 | 一种图像去雾方法、存储介质及终端设备 |
CN110807406A (zh) * | 2019-10-29 | 2020-02-18 | 浙江大华技术股份有限公司 | 一种雾天检测方法及装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819286B (zh) * | 2010-04-09 | 2011-06-22 | 东南大学 | 一种基于图像灰度直方图的雾天检测方法 |
CN103942758B (zh) * | 2014-04-04 | 2017-02-15 | 中国人民解放军国防科学技术大学 | 基于多尺度融合的暗通道先验图像去雾方法 |
CN105976338A (zh) * | 2016-05-12 | 2016-09-28 | 山东大学 | 一种基于天空识别与分割的暗通道先验去雾方法 |
CN107085830B (zh) * | 2016-10-25 | 2020-04-07 | 湘潭大学 | 基于传播滤波的单幅图像去雾方法 |
CN106548461B (zh) * | 2016-10-25 | 2020-02-07 | 湘潭大学 | 图像去雾方法 |
CN108564538A (zh) * | 2017-12-29 | 2018-09-21 | 南京工业大学 | 一种基于环境光差异的图像去雾霾方法及系统 |
CN109886920A (zh) * | 2019-01-16 | 2019-06-14 | 安徽谛听信息科技有限公司 | 一种雾天分级方法、雾天分级系统 |
CN110322431B (zh) * | 2019-05-23 | 2021-04-13 | 深圳大学 | 雾霾图像质量评价方法、系统、存储介质及电子设备 |
CN111192213B (zh) * | 2019-12-27 | 2023-11-14 | 浙江芯劢微电子股份有限公司 | 图像去雾自适应参数的计算方法、图像去雾方法及系统 |
CN111476725A (zh) * | 2020-03-24 | 2020-07-31 | 广西科技大学 | 一种基于梯度域导向滤波和多尺度Retinex理论的图像去雾增强算法 |
CN113554658B (zh) * | 2020-04-23 | 2024-06-14 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN112329623A (zh) * | 2020-11-05 | 2021-02-05 | 山东交通学院 | 雾天能见度检测与能见度安全等级划分预警方法 |
-
2021
- 2021-12-31 CN CN202111647113.7A patent/CN114004834B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403421A (zh) * | 2017-08-10 | 2017-11-28 | 杭州联吉技术有限公司 | 一种图像去雾方法、存储介质及终端设备 |
CN110807406A (zh) * | 2019-10-29 | 2020-02-18 | 浙江大华技术股份有限公司 | 一种雾天检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114004834A (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114004834B (zh) | 一种图像处理中的雾天情况分析方法、设备及装置 | |
CN106856002B (zh) | 一种无人机拍摄图像质量评价方法 | |
CN104834912B (zh) | 一种基于图像信息检测的天气识别方法及装置 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
Park et al. | Single image dehazing with image entropy and information fidelity | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
Liu et al. | Single image dehazing via large sky region segmentation and multiscale opening dark channel model | |
Huang et al. | An efficient visibility enhancement algorithm for road scenes captured by intelligent transportation systems | |
CN109389163B (zh) | 一种基于地形图的无人机影像分类系统及方法 | |
CN115147733B (zh) | 一种基于人工智能的海洋垃圾识别回收方法 | |
KR101361644B1 (ko) | 영상 처리 장치 및 영상 내의 안개 제거 방법 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN114324078B (zh) | 一种颗粒粒径识别方法、装置、设备和介质 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN105812618B (zh) | 一种运动检测方法及运动检测装置 | |
CN103049765A (zh) | 一种基于鱼眼相机的判断人群密度和人数的方法 | |
CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
CN110807406B (zh) | 一种雾天检测方法及装置 | |
CN117274113B (zh) | 基于图像增强的碎硅片清洗效果视觉检测方法 | |
Srinivas et al. | Remote sensing image segmentation using OTSU algorithm | |
CN104299234B (zh) | 视频数据中雨场去除的方法和系统 | |
Yu et al. | Content-adaptive rain and snow removal algorithms for single image | |
CN103177244A (zh) | 水下显微图像中快速检测目标生物的方法 | |
CN115063679B (zh) | 一种基于深度学习的路面质量评估方法 | |
CN104778468B (zh) | 图像处理装置、图像处理方法以及监控设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |